1

• Introduction au cours (contexte, références, matière couverte)
• Rappel: quelques éléments d'algèbre linéaire et de statistique
  • Transformation linéaire;
  • Valeurs propres et vecteur propres;
  • Matrices semi-définie positive;
  • Variance, covariance et corrélation;
  • Matrice de covariance.
• Éléments de base en analyse de données
  • Données centrées et réduites;
  • Nuages des individus;
  • Nuage des variables.

Ces concepts et notions seront utilisés dans toutes les autres sections de ce cours.

Les applications numériques seront effectuées avec Excel à l'aide du complément d'algèbre linéaire matrix.xla.

3

04 janvier

2

• But et contexte d'application;
• Démarche intuitive;
• Détails techniques;
• Jargons:
  • Factors, factor loading, components loadings, factor scores, etc.
• Étapes de calculs;
• Exemples numériques.

Techniques d'interprétation des résultats

• Projection des individus dans l'espace des variables;
• Statistique T² de Hotelling;
• Qualité de représentation Cos²;
• Contribution des individus - des variables;
• Cercle de corrélation.

Les applications numériques sur Excel et sur Google Colab en R.

6

11 javier

et

18 janvier

3

• But et contexte d'application;
• Démarche intuitive;
• Détails techniques
  • Décomposition orthogonale par SVD;
  • Coordonnées des facteurs:
    • standards;
    • principales.
• Étapes de calcul;
• Exemples numériques.

Techniques d'interprétation des résultats

• Géométrie des coordonnées principales;
• Distance par rapport à l'origine;
• Inertie d'un point, d'une composante;
• Contribution d'un point;
• Qualité de représentation Cos².

Les applications numériques seront effectuées sur Google Colab en R.

6

25 janvier

et

01 février

Modèles classiques de régression

• But et contexte d'application;
• Démarche intuitive;
• Régression
  • multiple;
  • logistique;
• Analyse discriminante;
• Exemples numériques.

Les applications numériques seront effectuées avec Stagraphics et R.

3

08 février

3

15 février

6

• Apprentissage et validation;
• Données pour l'apprentissage et validation;
• Caractéristiques et cibles;
• Généralisation, précision et justesse;

Microsoft Azure ML

• Compte Azure et son portail;
• Création d'un espace de travail;
• Azure ML Studio;
• Exemple d'utilisation
  • Jeu de données;
  • Modules;
  • Paramètres des modules;
  • Expériences;
  • Modèles prédictifs;
  • Apprentissage et évaluation.

La conception et l'application des modèles prédictifs se feront à l'aide d'Azure Machine Learning Studio un environnement infonuagique de Microsoft.

3

22 février

7

Modèles

• Arbres et forêt d'arbres décisionnels;
• Naïve Bayes;
• K-means;
• Machines à vecteurs de support.
• Réseaux de neurones;
• Apprentissage profond.

Mesures

• Justesse;
• Perte logistique;
• AUC ROC;
• Matrice de confusion
• MAE, MSE.

3

29 février

8

• Préparation du jeu de données;
• Apprentissage du modèle prédictif:
  • Hold out;
  • Validation croisée.
• Évaluation du modèle prédictif;
• Test du modèle prédictif;
• Déploiement du modèle prédictif sous forme d'un service WEB;
• Test du service WEB.

Les étapes de conception seront présentés à l'aide d'Azure Machine Learning un environnement infonuagique de Microsoft.

6

14 mars

et

21 mars

9

• Survol de Power Plaform
• Utilisation des modèles prédictifs déployés dans:
  • Power BI;
  • Power Automate.

Les étapes d'intégration seront présentées à l'aide de Power BI et de Power Automate de Microsoft.

6

28 mars

et

11 avril